液态活检与AI早筛：那些流传甚广的说法，哪些站得住脚？

体检报告上“肿瘤标志物正常”几个字，常被当作一颗定心丸。在不少人的理解里，查血就能把癌症“早发现、早放心”。与此同时，社交媒体上又流传着另一类说法：抽一管血就能筛查几十种癌症，人工智能读片比医生更准。这些表述听起来前者令人安心，后者令人振奋，但它们与当前的技术现实之间，其实隔着一段需要认真说清楚的距离。

围绕液态活检、多癌种早筛（MCED）和人工智能，值得先纠正常见误解，再看真正有依据的部分是什么。

误区一：肿瘤标志物正常，就等于没有癌症

常规体检中的肿瘤标志物，往往针对的是特定器官或特定蛋白，其灵敏度会随肿瘤分期、类型和个体差异而波动。部分早期肿瘤并不会释放足够多的信号被检出，而某些良性疾病或炎症状态又可能让数值升高。把它们当作“排除癌症”的依据，容易造成漏判和误判。目前的器官特异性筛查手段本身也覆盖有限，且可能在侵入性、费用、可及性或分期敏感性上受到限制，这正是早筛领域长期存在的现实难题。

误区二：一管血查几十种癌症，马上就能替代现有筛查

液态活检确实拓展了可分析的信号来源，包括循环肿瘤DNA、游离DNA甲基化与片段组学特征、循环肿瘤细胞、细胞外囊泡、非编码RNA、肿瘤教育血小板以及多组学特征等。多癌种早筛的思路，是把这些信号与机器学习模型结合，尝试在症状出现前发现异常。但一项检测能“测到”信号，与它能“改变结局”是两件事。MCED更像是一条临床照护路径，而不是一次孤立的抽血：阳性预测值与阴性预测值如何、受检人群中癌症患病率多高、异常结果后是否有清晰的诊断分流方案、假阳性会带来怎样的后续检查负担、会不会造成过度诊断、能否带来死亡率的改善、成本效益如何、不同地区和人群能否公平可及，这些环节都决定它是否真正可用。

换句话说，血液中出现可疑信号，只是路径的起点，而不是结论。

误区三：人工智能看片、读数据，比专业机构的人更可靠

人工智能在早筛中的价值，体现在模型开发、多模态信息融合、组织来源预测、概率校准、可解释性、偏倚控制、泛化能力和临床落地等多个方面。它擅长从复杂数据中寻找模式，但模型的表现高度依赖于训练数据的代表性、验证方式和使用场景。若训练人群单一，模型在另一类人群中可能明显失准；若只报告区分度而不谈校准，实际风险分层就可能失真。

因此，人工智能更适合被理解为辅助工具，而不是独立裁决者。它的输出需要与专业意见、后续检查路径结合，才能进入真实的照护流程。

误区四：液态活检只看肿瘤，和免疫系统无关

这是一个容易被忽略的误区。肿瘤衍生的信号并不是孤立的，它可以与宿主的免疫应答信息一起被观察，例如基于外周血单个核细胞的监测、免疫细胞来源的细胞外囊泡、外泌体免疫检查点分子以及炎症相关混杂因素。把这两类信息放在一起，液态活检就不只是“找肿瘤”，也提供了一扇观察肿瘤与免疫系统相互作用的窗口。当然，炎症等混杂因素也可能干扰判读，这要求结果解释更加谨慎。

误区五：新技术已经成熟，随时可以用于所有人

从技术可检测到临床就绪，中间还有很长的路。少数检测方法已进入明确的临床或指南支持场景，但大量新兴生物标志物和人工智能模型仍处于研究或转化阶段。未来进展取决于标准化工作流程、在具有代表性人群中开展前瞻性验证、证明临床效用，以及监管与伦理层面的监督，并最终与现有筛查和诊断体系整合。对普通读者而言，这意味着：看到“突破”“新前沿”时，先问一句——它走到哪一步了？

正确做法：把早筛放回“路径”里看

面对液态活检、多癌种早筛和人工智能，理性的态度可以归纳为几条：

• 不把常规肿瘤标志物当作排除癌症的依据，也不因数值轻度波动而过度恐慌；
• 把多癌种早筛理解为一条包含阳性预测值、诊断分流、假阳性处理和成本可及性的照护路径，而不是一次抽血；
• 看待人工智能时，关注它是否经过代表性人群验证、是否报告校准与可解释性，而非只看宣传中的准确率；
• 留意肿瘤信号与免疫、炎症指标之间的相互影响，理解结果的局限性；
• 在考虑任何新检测前，先咨询专业人士，结合个人史、家族史和已有筛查建议综合判断。

早筛的进步值得期待，但它真正改变结局的方式，往往不是某一个惊艳的单点技术，而是一整套经过验证、可及、可解释、能接入现有体系的流程。